Electronic Theses and Dissertation

Pemantauan aktivitas seismik di kawasan Kaldera Toba memiliki kompleksitas tinggi akibat fenomena gempa swarm yang menghasilkan sinyal tumpang tindih, sehingga sering menyebabkan kegagalan deteksi kejadian mikro pada analisis manual. Penelitian ini bertujuan untuk mengotomatisasi identifikasi fase gelombang P dan S menggunakan pendekatan Deep Learning serta menentukan lokasi hiposenter gempa dengan algoritma asosiasi probabilistik Gaussian. Metode yang digunakan berbasis arsitektur Deep Learning yang telah dilatih (pretrained) menggunakan dataset masif dari Northern California Earthquake Data Center (NCEDC). Penggunaan dataset NCEDC sebagai basis pelatihan sangat krusial karena mencakup lebih dari 700.000 rekaman seismogram yang dikurasi secara profesional, sehingga memberikan kemampuan generalisasi yang tinggi bagi model untuk mengenali fitur gelombang pada kondisi rasio sinyal terhadap derau (SNR) yang rendah secara akurat. Hasil penelitian menunjukkan peningkatan kuantitas deteksi fase sebesar 329%, dengan total 12.686 fase teridentifikasi dibandingkan katalog manual yang hanya mencatat 2.955 fase. Integrasi metode asosiasi berhasil merelokasi 424 kejadian gempa yang membentuk 8 klaster spasial mengikuti kelurusan struktur patahan di Pulau Samosir. Analisis kualitas menunjukkan tingkat presisi tinggi dengan rata-rata residu waktu tempuh (mean RMS) 0,358 detik dan rasio Vp /Vs 1,76. Penelitian ini membuktikan bahwa sinergi Deep Learning dan dataset berskala besar efektif dalam menghasilkan katalog gempa swarm yang lebih komprehensif dan akurat
Kata Kunci: Deep Learning, Gempa Swarm,NCEDC, Kaldera Toba,Asosiasi, Lokalisasi Gempa, Identifikasi Fase

Monitoring seismic activity in the Toba Caldera region presents high complexity due to earthquake swarm phenomena, which produce overlapping signals that often lead to the failure of micro-event detection in manual analysis. This study aims to automate the identification of P and S wave phases using a Deep Learning approach and determine earthquake hypocenter locations using a Gaussian probabilistic association algorithm. The method is based on the Deep Learning architecture, which has been pretrained using a massive dataset from the Northern California Earthquake Data Center (NCEDC). The use of the NCEDC dataset as a training basis is crucial as it encompasses over 700,000 professionally curated seismograms, providing the model with high generalization capabilities and robustness in accurately recognizing wave features even under low signal-to-noise ratio (SNR) conditions. The results demonstrate a 329% increase in phase detection quantity, with a total of 12,686 phases identified compared to the manual catalog, which only recorded 2,955 phases. The integration of the association method successfully relocated 424 earthquake events, forming eight spatial clusters following the structural fault alignments on Samosir Island. Quality analysis indicates high precision with a mean root-mean-square (RMS) travel-time residual of 0.358 seconds and a Vp /Vs ratio of 1.76. This research proves that the synergy of Deep Learning and large-scale datasets is effective in producing a more comprehensive and accurate earthquake swarm catalog. Keywords: Deep Learning, Earthquake Swarm,NCEDC, Toba Caldera, Earthquake Localization, Phase Identification.